Usted está aquí: Inicio web asignaturas

 

Fichas de asignaturas 2016-17


APRENDIZAJE COMPUTACIONAL

Asignaturas
 

  Código Nombre    
Asignatura 21714028 APRENDIZAJE COMPUTACIONAL Créditos Teóricos 3
Título 21714 GRADO EN INGENIERÍA INFORMÁTICA Créditos Prácticos 4.5
Curso   3 Tipo Obligatoria
Créd. ECTS   6    
Departamento C137 INGENIERÍA INFORMÁTICA    

 

Requisitos previos

Conocimientos de Programación Avanzados

 

Recomendaciones

Haber cursado la asignatura de Reconocimiento de Patrones

 

Profesorado

Nombre Apellido 1 Apellido 2 C.C.E. Coordinador  
JOAQUIN PIZARRO JUNQUERA Profesor Titular Universidad S

 

Competencias

Se relacionan aquí las competencias de la materia/módulo o título al que pertenece la asignatura, entre las que el profesorado podrá indicar las relacionadas con la asignatura.

Identificador Competencia Tipo
CB5 Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía GENERAL
CG09 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática. GENERAL
CO07 Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos. ESPECÍFICA

 

Resultados Aprendizaje

Identificador Resultado
R4 Se capaz de adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación
R1 Ser capaz de conocer los fundamentos, paradigmas y técnicas propias de los Sistemas Inteligentes
R2 Ser capaz de conocer y desarrollar técnicas de Aprendizaje Computacional
R3 Ser capaz de diseñar e implementar aplicaciones y sistemas que utilicen las técnicas de Aprendizaje Computacional, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos

 

Actividades formativas

Actividad Detalle Horas Grupo Competencias a desarrollar
01. Teoría
Modalidad Organizativa: Clases teóricas y
prácticas de Aula.
Métodos de Ensañanza-Aprendizaje: Método
expositivo/lección magistral y resolución de
ejercicios y problemas.

24 CB5 CG09 CO07
03. Prácticas de informática
Modalidad Organizativa: Clases prácticas Método
de Ensañanza-Aprendizaje: Aprendizaje
basado en problemas.

En el contexto de esta modalidad organizativa y
mediante el método de aprendizaje, indicado se
impartirán las unidades prácticas
correspondientes a los contenidos de la
asignatura.

Se propondrán una serie de ejercicios prácticos
sobre el diseño de algoritmos y programación de
éstos, lo cuales deberán ser realizados por los
alumnos durante las sesiones prácticas.
36 CG09 CO07
10. Actividades formativas no presenciales
Estudio individual o en grupo sobre los
contendios de la materia.
Actividades académicas dirigidas no presenciales
coordinadas. Desarrollo coordinado de
aplicaciones informáticas aplicadas a un problema
específico relacionado
con el Aprendizaje Computacional.
86 Reducido CB5 CO07
12. Actividades de evaluación
Realización del examen final
4 Grande CG09 CO07

 

Evaluación

Criterios Generales de Evaluación

Considerando las características de la asignatura, el peso específico de cada una
de las actividades de evaluación será el siguiente: evaluación continua, 20%;
examen final 80%. No obstante, a lo largo del curso se irán realizando pruebas
prácticas de progreso y test de conocimientos básicos. Si el alumno supera estas
pruebas no tendrá que realizar el examen final.

 

Procedimiento de Evaluación

Tarea/Actividades Medios, Técnicas e Instrumentos Evaluador/es Competencias a evaluar
Examen Final Prueba escrita compuesta por un test de conocimientos teóricos y por ejercicios sobre aplicaciones de las distintas técnicas de aprendizaje.
  • Profesor/a
CB5 CG09 CO07
Prueba Práctica de progreso Ejercicio práctico sobre Aprendizaje/Rúbica de valoración de ejercicios prácticos
  • Profesor/a
CO07
Test de conocimientos básicos Test/Escala de valoración de test
  • Profesor/a
CG09 CO07

 

Procedimiento de calificación

A lo largo del cuatrimestre el alumno realizará diversas pruebas prácticas para
la  evaluación de resultados de las actividades de aprendizaje. Al final del
cuatrimestre los alumnos realizarán una prueba escrita que evaluará los
conocimientos teóricos de la asignatura.

La nota correspondiente a la evaluación del alumno será obtenida de la
siguiente forma:

Calificación=Test de Conocimientos*0.5+Actividades de Aprendizaje*0.5

Será necesario una calificación mínima de 4 en cada prueba para poder hacer
media.

Si la calificación es menor de 5, el alumno/a deberá hacer un examen final que
consistirá en una prueba teórica (50%) y otra práctica (50%).


Los alumnos son responsables de proteger sus ficheros y datos personales,
incluyendo sus contraseñas de acceso al correo electrónico y al campus virtual.

La copia total o parcial de exámenes o prácticas, así como cualquier otro tipo de
fraude detectado por los profesores, podrá ser motivo de SUSPENSO INMEDIATO EN
TODAS LAS CONVOCATORIAS del curso académico para todos los implicados, sea cual
fuere su papel. En particular, se informa de que las entregas electrónicas podrán
almacenarse durante un plazo de 5 años para ulteriores comprobaciones

 

Descripcion de los Contenidos

Contenido Competencias relacionadas Resultados de aprendizaje relacionados
            Contenidos Prácticos

Resolución de problemas prácticos sobre Aprendizaje por medio de un lenguaje de programación.

        
CO07 R4 R3
            Contenidos Teóricos.

1 Concepto de Aprendizaje
2 Aprendizaje Inductivo
3 Control de la Complejidad
4 Aprendizaje Supervisado
5 Aprendizaje No supervisado
6 Técnicas de Agrupamiento

        
CB5 CG09 CO07 R1 R2

 

Bibliografía

Bibliografía Básica

  • A. Smola "Introduction to machine learning" Cambrige Univ.Press 2008
  • Michael R. Berthold, Christian Borgelt, Frank Höppner and Frank Klawonn. "Guide to Intelligent Data Analysis. How to Intelligently Make Sense of Real Data" Springer 2010.
  • E. Alpaydin. "Introduction to Machine Learning", MIT Press, 2010
  • Pajares, de la Cruz, "Aprendizaje Automatico. Un enfoque práctico" RA-MA 2010
  • Claude; Webb, Geoffrey I. "Encyclopedia of Machine". Springer 2011
  • Weiss S, – Computer System that Learn. Morgan Kaufmann Publishers, INC. SanMateo, California. 1990
  • Mitchell, T. Machine Learning. McGraw-Hill. 1997

 

Bibliografía Específica

  • C. Bishop - "Pattern Recognition and machine learning" Springer 2006
  • Yaser S. Abu-Mostafa - "Learning from data" AMLbook.com 2012
  • Hilera J. – Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones. Rama. 1995
  • Holland J.H. - Adaptation in Natural and Artificial Systems. Ann Arbor, The University of Michigan Press. 1975
  • Isasi P. – Redes Neuronales Artificiales. Un enfoque práctico. Pearson. Pentice-Hall. 2003Nilsson,
  • N.J. – Artificial Inteligente: A new Síntesis. Morgan Kaufmann. 1998
  • Bishop,C. "Neural Network for Pattern Recognition" Clarendon Press-Oxford 1995
  • Quinlan, J.R. C4.5: Programs for Machine Learning. San Mateo, Ca. Morgan Kauffmann. 1993
  • Schalkoff R. Artificial Neural Network. McGraw-Hill. 1997

 

 

El presente documento es propiedad de la Universidad de Cádiz y forma parte de su Sistema de Gestión de Calidad Docente. En aplicación de la Ley 3/2007, de 22 de marzo, para la igualdad efectiva de mujeres y hombres, así como la Ley 12/2007, de 26 de noviembre, para la promoción de la igualdad de género en Andalucía, toda alusión a personas o colectivos incluida en este documento estará haciendo referencia al género gramatical neutro, incluyendo por lo tanto la posibilidad de referirse tanto a mujeres como a hombres.